一种基于反向多维拍卖模型的联邦学习激励机制

与集中式机器学习方式相比,联邦学习(Federated Learning,FL)能在打通数据孤岛的同时兼顾保护数据隐私。为了解决资源受限的联邦学习中用户自私问题,本文提出了一种基于反向多维拍卖的激励机制IMRMA(Incentive Mechanism based on Reverse Multi-dimensional Auction)。IMRMA通过建立服务器与用户间的博弈定价模型,引入带宽分配以充分利用有限的网络资源,达到提升训练质量的目标。IMRMA方案能同时保证个体理性、激励相容性和计算高效性。仿真实验表明IMRMA有效地提升了模型学习的精度和效率。

社群智能系统中基于用户信誉度的激励机制

在社群智能系统中,参与节点的可靠性和积极性是系统提供有效数据采集服务的保证。为了提高用户采集数据的可靠性和服务的可持续性,提出了一种基于用户信誉度的参与式激励机制。该机制基于博弈论从数据可靠性和竞标可靠性两方面构建用户的信誉度模型,在此基础上通过多维反向拍卖机制建立参与式激励机制,使社群智能系统中保持充足的具有信誉的参与者持续提供服务,同时减少系统激励开销。通过不同场景下的仿真实验验证了该激励机制明显增加了具有信誉度的用户参与系统服务的数量,保证了充足数量的用户为系统实现可靠的服务,同时减少了系统的激励开销。